继续请教问题:关于 Pytorch 的 Autograd

雷达

' v8 {4 o; o6 x) ?8 U/ j; n. ?3 G
) `# z' X& t# Q) M为预防老年痴呆，时不时学点新东东玩一玩。
Pytorch 下面的代码做最简单的一元线性回归：
( C; @) E4 f! f8 A  v----------------------------------------------
4 Z, C4 ]1 F" B8 ]import torch
" R7 x. W: D$ _3 P! }0 A! Qimport numpy as np
! t  ^! v% Q; u9 o4 fimport matplotlib.pyplot as plt
; O# m; \8 M3 J  j: q( \! _import random

x = torch.tensor(np.arange(1,100,1))
  `( n* b, n! N( xy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
+ s3 g, O+ u- ~1 u5 s$ L
/ ?4 t* R3 j4 H. {0 b& E3 U. sw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

epochs = 100
3 ^! Q2 x# P8 Q7 `9 r$ t6 F* z
! ]- T4 [* o9 Flosses = []
/ z; O3 O& X! z+ n9 W0 v5 qfor i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
4 C. i7 U  }" n2 r" Q" q  
3 ~% A8 F5 G$ C3 x, ?  loss.backward() # autograd
3 R9 I* L, f4 }* g. q  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
8 z, ]! T: x+ ?  w.grad.zero_()  
+ \. q5 k5 Z; I( D3 d" ~3 O  b.grad.zero_()
6 e: C! U( L; p# s
! J/ ]0 Q! J, @4 ?5 e; \; ]  Sprint(w.item(),b.item()) #结果

4 h1 v7 D  L$ y. h2 Q( JOutput： 27.26387596130371  0.4974517822265625
$ i8 U, X. R! h9 \1 Y$ m1 v----------------------------------------------
4 i2 F# L; Q4 B& L; V最后的结果，w可以回到 w0 = 27 附近，b却回不去 b0=15。两处红字，损失函数是矢量计算后的均值，感觉 b 的回归表达有问题。
  x. s$ q" M8 u高手们帮看看是神马原因？

老福

" }  g6 d$ q$ r2 g; u( w. A没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
-------
不好意思，再看一遍，好像你在自算回归而不是用现成的工具直接出结果，上面的评论只有一点用，就是确认是不是算法有问题。
; U* s, E3 R( C: y' M- P-------
5 t2 b2 B/ J$ {! X1 }5 Q6 W! l算法诊断部分，建议把循环次数改为1000, 再看看loss是不是收敛。有点怀疑你循环次数不够，因为你起点是0, 步长很小。只是直观建议。

雷达

老福 发表于 2023-2-14 19:23
没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
-------
% ]1 M$ W! ]6 M9 K6 @3 r不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
我特意没有用现成的工具，就是想从最基本的地方深入理解一下。

老福

雷达 发表于 2023-2-14 21:52
谢谢，算法应该没问题，就是最简单的线性回归。
" _: s1 _, E5 {. Y6 r  M( W我特意没有用现成的工具，就是想从最基本的地方深入理解 ...

刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。
  f% t. `; i5 A3 ^" V2 [1 T
9 a" U% f) I4 t( ?$ Z或者把b但的起点改为1试试。

雷达

老福 发表于 2023-2-14 22:00
刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。
( I" _1 P3 ^1 ^5 S7 d+ w
0 b. k8 b6 D4 U6 n: x$ H# w8 ?/ d或者把b但的起点改为1试试。 ...

你是对的。
; g$ a6 w! l9 B9 r去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
& d# z3 ~; r/ }3 R! a0 u- a3 L
, H! B- h2 n) t( _循环次数加成10倍，就看到 b 收敛了
w , b
* e/ |+ b7 F" X' a3 |  f. A27.002620697021484 14.826167106628418
: V! o2 ]5 {3 v4 J
) d6 n1 P8 r+ H& [  K9 m和 b 的起始位置无关，但 labeled data 用 y = (x*27+15+random.randint(-2,3)).reshape(-1) ，收敛就很慢。